| dc.contributor.advisor | Γούδας, Θεοδόσιος | |
| dc.contributor.author | Βλιαγκόφτης, Θωμάς | |
| dc.contributor.other | Vliagkoftis, Thomas | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2019-02-22T06:40:52Z | |
| dc.date.available | 2019-02-22T06:40:52Z | |
| dc.date.copyright | 2019-02-22 | |
| dc.date.issued | 2018-01 | |
| dc.identifier.other | ΕΠΤ/2019/00014 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/3876 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Σκοπός της συγκεκριμένης διατριβής είναι η ανάλυση επιστημονικών ερευνών σχετικά με αλγορίθμους μηχανικής μάθησης, οι οποίοι χρησιμοποιούνται για την αναγνώριση καρδιοπαθειών. Η ανάλυση γίνεται βάσει συγκεκριμένων συντελεστών, με τους συντελεστές πολυπλοκότητας και αποτελεσματικότητας να είναι δύο από τους βασικότερους συντελεστές αξιολόγησης. Αρχικά, οι έρευνες που εξετάζονται είναι αυτές που αφορούν αναγνώριση καρδιοπαθειών μέσω του ήχου που λαμβάνεται από ένα ηλεκτρονικό στηθοσκόπιο. Στη συνέχεια μελετώνται έρευνες για την εφαρμογή μηχανικής μάθησης, οι οποίες αφορούν διαφορετικές διαγνωστικές μεθόδους (ηλεκτροκαρδιογράφημα, αξονική τομογραφία καρδιάς και αγγείων κλπ) για την αξιολόγηση ενός πιθανού καρδιολογικού προβλήματος.
Επιπλέον, γίνεται προσπάθεια αξιολόγησης και ταξινόμησης βάσει συντελεστών, οι οποίοι δεν απαντώνται στην υπάρχουσα βιβλιογραφία, όπως η αξιολόγηση βάσει συντελεστή χρόνου (processing time). Επιπλέον αξιολογήσεις βάσει νέων συντελεστών, μπορούν να οδηγήσουν σε σωστότερη επιλογή αλγορίθμων για μία εφαρμογή, ανάλογα με το περιβάλλον και τον χρήστη που αναμένεται να χρησιμοποιήσει την εκάστοτε εφαρμογή. | el_GR |
| dc.format.extent | 60 σ. 30 εκ. | el_GR |
| dc.language | gr | el_GR |
| dc.language.iso | gr | el_GR |
| dc.publisher | Ανοικτό Πανεπιστήμιο Κύπρου | el_GR |
| dc.rights | info:eu-repo/semantics/closedAccess | el_GR |
| dc.subject | Αλγορίθμοι Μηχανικής Μάθησης | el_GR |
| dc.subject | Machine Learning Algorithms | el_GR |
| dc.title | Αναγνώριση καρδιοπαθειών με εφαρμογή τεχνικών μηχανικής μάθησης σε καρδιακούς ήχους. Αξιολόγηση των υφιστάμενων αλγορίθμων μάθησης βάσει συγκεκριμένων συντελεστών και σύγκριση με λοιπές εφαρμογές μηχανικής μάθησης στην καρδιολογία [Ερευνητική] | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | The purpose of this master thesis is to analyse scientific research on machine learning algorithms, which are used to identify heart disease. The analysis is based on specific factors, with the complexity and efficiency factors being two of the most important assessment factors. Initially, the investigations under consideration are those relating to the recognition of heart disease through the sound taken from an electronic stethoscope. Further studies on machine learning implementation are then studied, involving different diagnostic methods (electrocardiogram, CT etc.) for the evaluation of a possible cardiological problems.
Additionally, an evaluation and classification based on factors, which are not found in the existing literature, such as time-based evaluation (processing time), is attempted. Additional ratings based on new factors can lead to a more accurate selection of algorithms for an application, depending on the environment and the user who is expected to use the application. | el_GR |
| dc.format.type | pdf | el_GR |
